Estratégias de MLOps para o Flautim

Maria Luiza Leão Silva

 

Nos últimos anos, o Aprendizado de Máquina (ML) revolucionou a análise de dados e a tomada de decisões, tornando-se uma ferramenta essencial em diversas aplicações cotidianas. O pipeline de ML é um processo estruturado que abrange a coleta e pré-processamento de dados, o treinamento de modelos seguido por sua validação para avaliar a capacidade de generalização e, se aprovado, a implantação em produção. No entanto, essa etapa é apenas o começo. Modelos de aprendizado de máquina demandam atualização, monitoramento e manutenção contínuos, o que gera desafios operacionais que vão além do desenvolvimento inicial.

Para mitigar esses desafios, surgiu o conceito de Machine Learning Operations (MLOps)[3]. MLOps adapta os princípios do DevOps — tradicionalmente aplicados ao desenvolvimento de software — ao contexto do aprendizado de máquina, promovendo ciclos iterativos, rápidos e contínuos para a implantação e manutenção de modelos em produção[4].

Com o avanço dessas demandas, a plataforma Flautim foi concebida como uma solução para a experimentação e prototipagem de modelos de aprendizado de máquina, com foco no Aprendizado Federado (FL), mas também com suporte ao aprendizado centralizado tradicional. Seu principal objetivo é viabilizar a condução de experimentos distribuídos de forma segura, escalável e com respeito à privacidade dos dados. Dessa forma, o Flautim oferece suporte técnico e operacional para que cientistas de dados, engenheiros de machine learning e desenvolvedores possam criar, testar e acompanhar seus modelos em um ambiente controlado.

Nesse contexto, o projeto visa investigar e desenvolver soluções baseadas em práticas de MLOps que possam ser integradas à plataforma Flautim, a fim de aprimorar o gerenciamento do ciclo de vida de experimentos de aprendizado de máquina. A proposta busca estabelecer mecanismos que tornem os processos de versionamento de dados e modelos, execução e reprodutibilidade de experimentos, e automação de pipelines mais estruturados, escaláveis e seguros. Ao alinhar os princípios do MLOps às particularidades do ambiente distribuído e federado da plataforma, o projeto busca proporcionar uma base sólida para experimentações eficientes, confiáveis e sustentáveis dentro do ecossistema do Flautim.


2025/01 - POC2

Orientador: Heitor Soares Ramos Filho

Link para vídeo

PDF Disponível